(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211205243.X (22)申请日 2022.09.29 (71)申请人 国网江苏省电力有限公司丰 县供电 分公司 地址 221700 江苏省徐州市丰 县解放路42 号 申请人 国网江苏省电力有限公司徐州供电 分公司　 中国矿业大 学 (72)发明人 孙萌　丁立顺　李超杰　严宇　 刘翔宇　张东　范英乐　程鹤　 (74)专利代理 机构 徐州市三联专利事务所 32220 专利代理师 何君(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/12(2006.01) G06N 3/04(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于改进型LSTM的新型县域电网多目 标预测方法 (57)摘要 本发明公开了一种基于改进型LSTM的新型 县域电网多目标预测方法， 属于电力系统负荷预 测领域。 该方法包含获取县域电网指定时间段的 原始数据， 原始数据包括SCADA系统上的 电网负 荷、 分布式电源上网发电量， 用采系统的行业负 荷电力数据； 利用随机森 林算法对于数据特征进 行分类， 利用遗传算法对长短期记忆神经网络 LSTM进行参数优化， 确定适用在本发明的电网负 荷、 分布式电源上网发电量及行业负荷预测中 LSTM网络模型。 实现了电网负荷、 分布式电源上 网发电量5分钟级及行业负荷15分钟级的预测， 为县域调度决策、 售电业务和配电网规划提供了 理论依据。 权利要求书2页 说明书6页 附图6页 CN 115545299 A 2022.12.30 CN 115545299 A 1.一种基于改进型LSTM的新型县域电网多目标 预测方法， 其特 征在于： 包括以下步骤： 获取县域电网指定时间段的原始数据， 所述原始数据包括SCADA系统上的电网负荷、 分 布式电源上网发电量， 用采系统的行业负荷电力数据； 利用随机森林算法的特征选择能力对不同突发事件进行分类和整合降低处理的数据 维度； 利用遗传算法对长短期记忆神经网络LSTM进行参数优化， 确定出适用于县域电网多目 标预测的LSTM网络模型及实现方法； 通过LSTM网络模型获得 预测结果。 2.根据权利要求1所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述原 始数据还 包括公开历史气象信息和突发 公共事件。 3.根据权利要求2所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述获取县域电网指 定时间段的原始数据后， 还包括对所述数据进 行预处理， 利用检测 异常极值的方法剔除SCADA系统上的采样 坏点数据。 4.根据权利要求3所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述采样坏点数据为数据值出现缺失或为0的数据， 剔除因通信和采集装置异常导致的 采样坏点数据。 5.根据权利要求3所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述利用检测异常 极值的方法剔除SCADA系统上的采样 坏点数据， 具体包括： Step 1： 设定观察窗口长度T， 并将T的移动至起始点， 此时为T0； Step 2： 计算观察窗口T内的数据M极值的平均值Tmax_ave、 Tmin_ave和Tave； Step 3： 根据数据特 征设置裕度σ； Step 4： 当tmax＜(1+σ ) Tmax_ave或tmin＞(1+σ ) Tmin_ave时， 数据舍弃； Step 5： 否则T时间段生成新的数据集， 并加入到T0， 新的数据设为Ta； Step6： 观察窗口T 按照一定方向继续移动， 移动长度为T； Step7： 判断窗口T移动到终点， 是则输出新的数据集， 否则继续执 行Step 2。 6.根据权利要求3所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述对数据进行预处理后， 还包括对于公开历史气象信息中缺少的气象数据进行预测 补充， 具体包括： Step 1： 查找出气象缺失的数据； Step 2： 获得缺失相邻n站点得气象信息， 分别记为 W1至Wn； Step 3： 利用站点历史数据进行拟合记为 W，； Step 4： 将W，同W1至Wn对比， 算出气象数据相似站点 为m； Step 5： 当气象数据相似站点为m与缺失相邻n站点得气象信息的相似度大于80%， 直接 获得测试 结果； 否则继续计算 W，及W1至Wn的平均气象数据再记为 W，， 从而获得测试 结果。 7.根据权利要求1所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述利用随机森林算法的特征选择能力将对于不同突发事件进行分类和整合降低处理 的数据维度， 具体步骤 包括： Step 1： 突发公共事件和电力数据随机有放回采样放入袋内样本 SPL1， 没有被放入数据 为袋外样本 SPL0；权　利　要　求　书 1/2 页 2 CN 115545299 A 2Step 2： 用SPL1构建随机森林模型； Step 3： 计算SPL0误差， 记为E1； Step 4： 在SPL0中， 随机更改某个突发 公共事件， 进而算出新的误差， 记为E2； Step 5： 计算N棵回归树下事 件A1的E1和E2之差的平均值， 记为EA1； Step 6： 按照EAk的大小顺序得到 重要对突发事 件。 8.根据权利要求1所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述利用遗传算法对长短期记忆神经网络LSTM进行参数优化， 确定出适用于县域电网 多目标预测的LSTM网络模型及实现方法， 具体步骤 包括： Step 1： 将数据划分为训练集 SPLl、 验证集SPLt1和测试集SPLt2； Step2： 设置相关初始参数， 并获得初始种群； Step 3： 通过变异、 交叉和选择 过程获得子代； Step4： 验证集的平均百分比误差(MAPE)为适应度 值， 适应度 值最小的个体为目前最优 个体； Step 5： 更新gen=gen+1， 判断是否到达最大迭代次数maxgen， 如 果到达最大迭代次数， 则获得最优个 体， 否则返回Step  3； Step 6： 通过DE算法获得的最优个 体为网络 搜索指数关键词和历史游客 量 的。 9.根据权利要求1所述的基于改进型LSTM的新型县域电网多目标预测方法， 其特征在 于： 所述LSTM网络模型的网络结构， 一共有两层； 其中48个神经元LSTM组成隐藏层， 另一层 为全连接层， 作为模型的输出层。权　利　要　求　书 2/2 页 3 CN 115545299 A 3